latentspace9 Latent Spaces: AI, Art, and the Archive, AI의 잠재 공간이 ‘새 아카이브’라는 뜻 Latent Spaces: AI, Art, and the Archive라는 제목을 보면 Stable Diffusion의 latent 구조나 AI 이미지 생성법을 설명하는 기술 논문처럼 보일 수 있습니다. 하지만 Antonio Somaini의 이 글은 latent space를 훨씬 다른 방향에서 바라봅니다.핵심 질문은 AI가 과거의 이미지와 기록을 학습해 새로운 이미지를 만드는 시대에 latent space가 새로운 종류의 archive 역할을 하는가입니다. 즉 VAE나 diffusion의 구현법보다는 생성형 AI가 기억·역사·시각 문화를 어떤 방식으로 다시 매개하는지를 분석합니다.latent spaces ai art and the archive에서 가장 먼저 볼 변화Latent Space를 단순한 압축 .. 2026. 8. 25. Latent Space Oddity, VAE 잠재 공간의 직선이 최단 경로가 아닌 이유 두 latent vector 사이를 이동할 때 가장 간단한 방법은 직선을 긋는 것입니다. 생성형 AI에서 interpolation을 설명할 때도 두 점 사이의 값을 선형적으로 섞는 방식이 자주 등장합니다.하지만 2018년 ICLR에 발표된 Latent Space Oddity: On the Curvature of Deep Generative Models는 여기서 한 가지 문제를 지적했습니다. deep generative model의 decoder가 비선형이라면 latent space에서의 직선거리와 실제 생성 데이터의 변화량이 서로 다를 수 있다는 것입니다.latent space oddity on the curvature of deep gen에서 가장 먼저 볼 변화Latent Space가 평평하다고 가정하.. 2026. 8. 25. Latent Space Symmetry Discovery, LaLiGAN이 비선형 대칭을 찾는 방법 latent space symmetry discovery는 Stable Diffusion의 latent에서 좌우대칭 이미지를 찾는 기술을 뜻하지 않습니다. 이 표현은 ICML 2024에 발표된 연구 제목으로, 데이터에 숨어 있는 비선형 symmetry를 latent space로 옮겨 발견하는 방법을 다룹니다.논문이 제안한 모델은 Latent LieGAN, 줄여서 LaLiGAN입니다. 핵심은 복잡한 원본 데이터에서 symmetry를 직접 찾으려 하지 않고, 먼저 latent space로 변환해 그곳에서는 symmetry가 더 단순한 linear action으로 나타나도록 만드는 것입니다.latent space symmetry discovery에서 가장 먼저 볼 변화기존 Symmetry Discovery는 .. 2026. 8. 25. Chain-of-Embedding, LLM이 답을 출력하지 않고 스스로 평가하는 방법 LLM의 답이 맞는지 다시 확인하려면 보통 모델에게 “이 답이 맞는가?”라고 한 번 더 물어보는 방식을 떠올립니다. 하지만 이런 방식은 추가 출력을 생성해야 하고, self-evaluation을 위해 다시 inference 비용이 들어갑니다.ICLR 2025에 발표된 Latent Space Chain-of-Embedding Enables Output-free LLM Self-Evaluation은 다른 접근을 제안합니다. 핵심은 LLM이 답을 생성한 뒤 별도의 평가 문장을 출력하게 하지 않고, 처음 inference 과정에서 이미 만들어진 hidden state의 변화만으로 응답의 정확성을 추정하는 것입니다.latent space chain-of-embedding enables output-f에서 가장 먼.. 2026. 8. 25. 이전 1 2 3 다음
